針對(duì)城市行道樹(shù)的學(xué)習(xí)多分類問(wèn)題,本文在綜合分析城市行道樹(shù)多分類特征的基礎(chǔ)上,提出一種融合特征自動(dòng)選取模型的自適應(yīng)深度學(xué)習(xí)方法�；陔S機(jī)森林法,學(xué)習(xí)行道樹(shù)的特征重要性,通過(guò)特征消除方法舍棄不重要的特征,實(shí)現(xiàn)城市行道樹(shù)多分類特征自動(dòng)選取;在城市行道樹(shù)分類特征工程提取的基礎(chǔ)上,構(gòu)建了城市行道樹(shù)多分類問(wèn)題的自適應(yīng)深度學(xué)習(xí)方法,并采用交叉驗(yàn)證與參數(shù)搜索方法,對(duì)所提出的深度學(xué)習(xí)模型進(jìn)行改進(jìn)。試驗(yàn)結(jié)果表明,本文所提出的融合特征自動(dòng)選取模型的自適應(yīng)深度學(xué)習(xí)方法具有良好性能,解決了城市行道樹(shù)多分類預(yù)測(cè)的準(zhǔn)確性與泛化問(wèn)題。 

【文章來(lái)源】：測(cè)繪通報(bào). 2020,(06)北大核心

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

2類樹(shù)的胸徑直方圖

融合基于機(jī)器學(xué)習(xí)的自動(dòng)化特征選取模型是本文主要的創(chuàng)新點(diǎn)之一。采用基于隨機(jī)森林的特征自動(dòng)選取方法選取重要分類特征，行道樹(shù)的特征自動(dòng)選取試驗(yàn)如圖3所示。本節(jié)試驗(yàn)主要比較融合特征工程的深度學(xué)習(xí)分類方法(FEAdaLearning)和原始深度學(xué)習(xí)分類方法(DeepLearning)，采用分類精度衡量分類模型的優(yōu)劣。FEAda Learning的分類精度為0.86,Deep Learning的分類精度為0.50，可見(jiàn)融合特征工程的深度學(xué)習(xí)模型具有更好的分類準(zhǔn)確率。

分析表2可知，自適應(yīng)深度學(xué)習(xí)的初始學(xué)習(xí)率設(shè)置為0.2時(shí)，可以獲得最好的分類測(cè)試精度。通過(guò)交叉驗(yàn)證試驗(yàn)分析法可以更好地探索深度學(xué)習(xí)模型參數(shù)，從而有效提升深度學(xué)習(xí)模型算法的泛化能力。基于自適應(yīng)深度學(xué)習(xí)的行道樹(shù)分類方法通過(guò)自適應(yīng)地為深度學(xué)習(xí)參數(shù)分配不同學(xué)習(xí)率η，不斷地學(xué)習(xí)迭代，逐步實(shí)現(xiàn)分類代價(jià)誤差最小，直到收斂。不同的自適應(yīng)深度學(xué)習(xí)方法都實(shí)現(xiàn)了收斂，當(dāng)learning＿rate＿init=0.001學(xué)習(xí)效果最差，而當(dāng)初始化學(xué)習(xí)率設(shè)置為0.2時(shí)，學(xué)習(xí)效果最佳，因此本文將初始化學(xué)習(xí)率參數(shù)設(shè)置為0.2時(shí)，如圖4所示。3.3 行道樹(shù)分類的模型評(píng)估指標(biāo)與評(píng)分

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合深度學(xué)習(xí)和圖割法的遙感影像建筑物檢測(cè)[J]. 劉舸,鄧興升.  測(cè)繪通報(bào). 2019(11)
[2]聯(lián)合像元-深度-對(duì)象特征的遙感圖像城市變化檢測(cè)[J]. 趙生銀,安如,朱美如.  測(cè)繪學(xué)報(bào). 2019(11)
[3]基于日照需求的熱帶城市行道樹(shù)的配置——以海口市為例[J]. 汪麗,康梓杭,吳慶書(shū).  熱帶生物學(xué)報(bào). 2019(04)
[4]基于i-Tree模型的城市小區(qū)行道樹(shù)生態(tài)效益評(píng)價(jià)[J]. 熊金鑫,祁慧君,王倩茹,汪倩如,王少華,左文濤,孫圓.  南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[5]遷移學(xué)習(xí)支持下的土地利用/土地覆被分類[J]. 李海雷,胡小娟,郭杭,吳文瑾.  測(cè)繪通報(bào). 2018(09)
[6]機(jī)器學(xué)習(xí)中的特征選擇方法研究及展望[J]. 崔鴻雁,徐帥,張利鋒,Roy E.Welsch,Berthold K.P.Horn.  北京郵電大學(xué)學(xué)報(bào). 2018(01)
[7]圖像深度層次特征提取算法[J]. 李欽,游雄,李科,湯奮.  模式識(shí)別與人工智能. 2017(02)
[8]利用多尺度特征與深度網(wǎng)絡(luò)對(duì)遙感影像進(jìn)行場(chǎng)景分類[J]. 許夙暉,慕曉冬,趙鵬,馬驥.  測(cè)繪學(xué)報(bào). 2016(07)
[9]深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國(guó)圖象圖形學(xué)報(bào). 2014(02)
[10]利用紋理特征提取城市用地信息方法探索[J]. 劉玉芳,劉定生.  測(cè)繪科學(xué). 2005(04)

碩士論文
[1]上海松江大學(xué)城七所高校行道樹(shù)調(diào)查與研究[D]. 沈玲麗.上海交通大學(xué) 2014



本文編號(hào)：3051869